时空自回归模型在大坝变形分析中的应用

变形监测分析的模型与方法主要是针对单点时序的分析,建立大坝位移自回归模型可实现大坝位移预测预报,但传统自回归模型都是针对单测点进行的,这意味着需要对所有的测点进行建模,将会造成大量模型冗余.而大坝作为一个整体结构,测点间的位移在空间上是相互关联的。单点自回归模型并未考虑着这种相关性,为了考虑测点间的这种空间相关性并建立统一的模型,本文采用时空自回归方法对五强溪大坝位移监测数据进行整体分析,建立了大坝位移的时空自回归模型。通过对大坝引张线测点的建模与预测分析,结果表明时空自回归模型在时间和空间上都可以对位移监测数据序列进行较好的拟合与预测。     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。     

大坝变形变系数回归建模

在变形分析建模中常采用回归分析建模,但普通的回归模型是一种静态的模型,当变形体结构或物理性质发生变化时,普通线性回归所建立的静态模型将不再适用。变系数回归模型是一种动态模型,有着更强的灵活性和适应性,因此,将变系数回归引入大坝变形分析建模中,采用局部线性估计的方法进行系数拟合。仿真和大坝变形建模实验表明,变系数回归得到的大坝变形模型优于普通的线性回归模型,预测精度更高。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。     

大坝变形的神经网络方法研究

大坝的失事带来的不仅是经济损失也是安全隐患,因此,建立一种大坝变形长期预测模型对它的安全评价将具有重要意义。本文针对华东CC大坝5JHJl04监测点的垂直位移变形进行分析,在传统的回归分析模型和常规神经网络模型的基础上建立了将两种方法结合的融合模型,得到大坝变形分析的最优模型。其精度与一般方法相比有了进一步的提升,可以更好地进行大坝变形预测。     

改进的SVR在大坝边坡位移预测中的应用

针对传统支持向量机参数寻优的不足导致大坝边坡位移预测精度低的问题,本文提出了先粗搜,再多次细寻的改进网格参数寻优法。该法建立了SVR大坝边坡位移预测模型,并应用到大坝边坡位移预测。结果表明:改进的SVR大坝边坡位移预测模型的预测精度比传统支持向量机大坝边坡位移预测模型预测的精度高。     

ARIMA乘积季节模型在大坝位移监测中的应用

提出了应用ARIMA乘积季节模型对大坝位移监测数据进行分析和预报的新方法,并给出了基于开源R语言建立乘积季节模型的方法步骤和关键技术。结合某大坝径向位移监测数据进行计算分析,结果表明：ARIMA乘积季节模型能较准确地预报大坝位移趋势,具有较高的预测精度。     

大坝安全监测统计模型的比较与选择

统计模型在大坝安全监测资料分析中占有重要地位,是建立混合模型的基础。本文从统计模型选择的角度出发,对多元线性回归、逐步回归以及偏最小二乘回归的应用特点和效果进行了探讨,其中偏最小二乘回归是一种旨在消除多重相关性的新型回归技术。本文重点结合某水电站大坝安全监测资料,从模型解释能力、统计参数的检验、拟合和预测效果、效应量的分离等方面对上述三种回归方法进行了比较性研究,得出了一些有益的结论。     

大坝变形时间序列的奇异谱分析

为了研究大坝变形规律并分析其影响因子,利用奇异谱分析(SSA)提取大坝变形时间序列的趋势和周期分量,并分析各分量与时效、温度和水位因子的关联性。通过分析某大坝实测数据,发现大坝存在徐变和周期性弹性形变。其中,徐变即趋势项,主要与时效因子有关;弹性形变对应的周期项主要与温度和水位的周期变化有关,且温度因子与弹性形变的相关性明显大于水位因子。利用提取的趋势和周期项对大坝变形时间序列进行拟合并预测,其拟合和预测误差分别为0.52和0.24 mm;若采用传统的多元线性回归模型进行拟合和预测,其误差则分别为0.81和0.57 mm。这表明奇异谱方法的拟合和预测精度均优于多元回归法,能够更准确地预测大坝变形。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

基于神经网络的大坝位移模型分析

结合某大坝工程实测数据,建立该大坝位移量和相关因子的逐步回归模型和神经网络模型,并对两者模型结果进行比较,结果表明神经网络方法在大坝变形分析和预报方面效果良好。     

Solving multicollinearity in dam regression model using TSVD

Targeting the multicollinearity problem in dam statistical model and error perturbations resulting from the monitoring process,we built a regularized regression model using Truncated Singular Value Decomposition(TSVD).An earth-rock dam in China is presented and discussed as an example.The analysis consists of three steps:multicollinearity detection,regularization pa-rameter selection,and crack opening modeling and forecasting.Generalized Cross-Validation(GCV) function and L-curve criterion are both adopted in the regularization parameter selection.Partial Least-Squares Regression(PLSR) and stepwise regression are also included for comparison.The result indicates the TSVD can promisingly solve the multicollinearity problem of dam regression models.However,no general rules are available to make a decision when TSVD is superior to stepwise regression and PLSR due to the regularization parameter-choice problem.Both fitting accuracy and coefficients’ reasonability should be considered when evaluating the model reliability.     

基于逐步回归分析的大坝变形分析模型研究

主要介绍对逐步回归分析模型的原理和基本步骤,结合大坝工程实例进行分析。引入了库水位、时效和温度三个因子建立逐步回归模型。得出了运用逐步回归模型分析大坝变形的合理性,可以达到预测的目的。     

自适应过滤法及其在大坝监测中的应用

介绍了自适应过滤法原理及计算方法,利用自适应过滤法模型预测了大坝变形趋势。实际数据计算结果表明:自适应过滤模型预测精度优于传统的回归分析法,在大坝监测预报中是有效可行的。     

应用时间序列方法作大坝变形预报

本文首先介绍时序分析的三个基本模型——ARMA模型、AR模型和MA模型,以及各模型的统计性质。然后以某大坝1715廊道的激光视准线观测位移值(已利用倒垂观测把相对位移化为绝对位移)为例,着重叙述大坝变形分析的建模过程,得到了一个AR(2)模型并对大坝变形作了预报,结果具有相当好的预报精度。从而说明,时序分析法将是大坝变形分析的一个有力工具。     

逐步回归模型在地表沉降监测中的应用研究

介绍了多因子逐步回归模型的建模原理及其实现过程,通过对某城市地表沉降监测数据的实际处理分析,并于多元线性回归模型进行对比分析,验证了多因子逐步回归模型在地表沉降监测数据处理中的适用性与可靠性。     

基于小波分析的光照电站边坡位移变形监测研究

光照电站是北盘江上大型水利枢纽,为确保安全施工和运营,采用智能型全站仪TCA2003对大坝两岸边坡进行位移变形监测。由于监测结果中包含测量仪器、测量条件和测量过程误差,利用db3小波和db6小波进行去噪处理,获取更具真实性和稳定性的数据。通过对比分析,db6小波去噪效果比db3小波好,调用函数提取db6小波分解前后的高频系数,可以判断出噪声主要集中在高频中前两层。     

大坝工作基点实测数据结构分析及变形监测点的建立

大坝位移监测是水电行业的一个重要领域,它关系到大坝安全和生产。笔者通过对赣南某水利枢纽工程大坝位移工作基点和水准基点的实测数据结构分析及变形监测点的建立;提出了大坝位移工作基点使用TCA1800全站仪进行监测的方法;并对"观测方法改变后,采用TCA1800全站仪测量的数据与之前采用T3经纬仪测量数据基本一致,但经过平差处理后,所得最终成果相差较大"现象进行研究;达到了全站仪进行监测的效果;解决了大坝位移监测工作基点和水准基点的实测数据结构分析及变形监测点建立的相关问题。